关于堆和栈

本文详细介绍了栈和堆的内存分配方式,包括申请方式、系统反应、申请大小限制、申请效率比较以及堆和栈中储存内容的区别。通过类比比喻,形象地解释了栈与堆的特点和应用场景。

一、内存分配的方式

从百度百科了解到堆和栈的内存方式是不同的:
1、栈(stack)—由编译器自动分配释放,存放函数的参数值,局部变量的值等。其操作方式类似于数据结构中的栈。
2、堆(heap)—一般由程序员分配使用,如果程序员不释放,程序结束时可能由OS回收。分配方式类似于链表。

PS:这个和数据结构中的堆是不一样的,一种是数据结构,一种是内存分配方式
数据结构中的堆:
堆实际上指的就是(满足堆性质的)优先队列的一种数据结构,第1个元素有最高的优先权。数据结构中的堆可以用一个数组来存储。(完全二叉树结构)
操作系统中的堆:
这里的堆是属于内存分配方式的一种:动态分配内存。

举一个前辈写的例子的一部分:

int a = 0;   //全局初始化区
char *p1;
void main(){
    int b;   //栈
    char s[] = "abc";    //栈
    char *p2;    //栈
    char *p3 = "123456";     //  123456/0在常量区,p3在栈上
    p1 = (char *)malloc(10);
    p2 = (char *)malloc(20);
    //p1和p2分配得来的10、20字节的区域就在堆区
}

二、堆和栈的理论知识

2.1 申请方式

栈(stack):由系统自动分配。 例:int a;系统自动在栈中为b开辟一个空间
堆(heap):需要程序员自己申请,并说明要申请的大小。
比如在C中的malloc函数:int Resuult = (int )malloc(sizeof(int) * 5);但是要说明的是,开辟的空间是在堆中,Result本身却是在栈中的。

2.2 申请后系统反应

栈:只要栈能够提供所申请的空间,系统就会自动为程序提供,否则,就会报出异常。

堆:堆内存中有很多块内存,可能不是连续的。所有需要用链表来组织。该链表的作用就是记录空闲内存地址。
首先查找是否有空闲的并且满足大小的堆内存,然后把寻找到的第一个那块给需求者。这里有点像数据结构中堆的优先权。

另外,对于大多数系统,会在这块内存空间中的首地址处记录本次分配的大小,这样,代码中的delete语句才能正确的释放本内存空间。另外,由于找到的堆结点的大小不一定正好等于申请的大小,系统会自动的将多余的那部分重新放入空闲链表中。

2.3 申请大小的限制

栈:栈是向低地址扩展的数据结构,是连续的内存区域。也就是说,它的栈顶地址和最大容量都是预先就规定好了的,当申请超过剩余空间,就会报出异常。因此,能申请的空间就比较小。

堆:堆是向高地址扩展的数据结构,是不连续的内存区域。前面说到,堆是用链表组织起来的不连续的内存区域,遍历方向从低到高,空间灵活,也比较大,受限于有效的虚拟内存。

2.4 申请效率的比较

由于栈是由系统分配的,所以速度较快,但是也不是我们能控制的。
堆是动态分配的内存,一般速度是比较慢,而且容易产生内存碎片,不过是我们可以操控的,用起来也方便。

2.5 堆和栈中的储存内容

栈:在函数调用时,第一个进栈的是主函数中的下一条指令(函数调用语句的下一条可执行语句)的地址,然后是参数,再是局部变量,注意静态变量不入栈。(例如:static int C = 0)

堆:一般在堆头存放堆的大小,具体内容由程序员自己指定、分配。

三、总结

此处借用一个老师曾经说过的话,不过他说的是操作系统,类比过来也是一样的。
栈就像是我们去吃饭,只需要点菜,给钱,和吃饭就行了,你不需要知道他是怎么切菜、做菜、洗碗的,好处就是方便省事,但是你只能吃它菜单有的菜。
但是堆就像是,你是一个厨师,给你一堆菜,你要怎么吃,随便你,当然这样是比较麻烦的,至于说好吃还是难吃,就看你自己的技术了,哈哈哈哈哈!

下载方式:https://pan.quark.cn/s/a4b39357ea24 在纺织制造领域中,纱线的品质水平对最终制成品的整体质量具有决定性作用。 鉴于消费者对于产品规格样式要求的不断变化,纺织制造工艺的执行过程日益呈现为一种更为复杂的操作体系,进而导致对纱线质量进行预测的任务变得更加困难。 在众多预测技术中,传统的预测手段在面对多变量间相互交织的复杂关系时,往往显得力不从心。 因此,智能计算技术在预测纱线质量的应用场景中逐渐占据核心地位,其中人工神经网络凭借其卓越的非线性映射特性以及自适应学习机制,成为了众多预测方法中的一种重要选择。 在智能计算技术的范畴内,粒子群优化算法(PSO)反向传播神经网络(BP神经网络)是两种被广泛采用的技术方案。 粒子群优化算法是一种基于群体智能理念的优化技术,它通过模拟鸟类的群体觅食行为来寻求最优解,该算法因其操作简便、执行高效以及具备优秀的全局搜索性能,在函数优化、神经网络训练等多个领域得到了普遍应用。 反向传播神经网络则是一种由多层节点构成的前馈神经网络,它通过误差反向传播的机制来实现网络权重阈值的动态调整,从而达成学习与预测的目标。 在实际操作层面,反向传播神经网络因其架构设计简洁、实现过程便捷,因此被广泛部署于各类预测分类任务之中。 然而,该方法也存在一些固有的局限性,例如容易陷入局部最优状态、网络收敛过程缓慢等问题。 而粒子群优化算法在参与神经网络优化时,能够显著增强神经网络的全局搜索性能并提升收敛速度,有效规避神经网络陷入局部最优的困境。 将粒子群优化算法与反向传播神经网络相结合形成的PSO-BP神经网络,通过运用粒子群优化算法对反向传播神经网络的权值阈值进行精细化调整,能够在预测纱线断裂强度方面,显著提升预测结果的...
植物实例分割数据集 一、基础信息 数据集名称:植物实例分割数据集 图片数量: - 训练集:9,600张图片 - 验证集:913张图片 - 测试集:455张图片 总计:10,968张图片 分类类别:59个类别,对应数字标签0至58,涵盖多种植物状态或特征。 标注格式:YOLO格式,适用于实例分割任务,包含多边形标注点。 数据格式:图像文件,来源于植物图像数据库,适用于计算机视觉任务。 二、适用场景 • 农业植物监测AI系统开发:数据集支持实例分割任务,帮助构建能够自动识别植物特定区域并分类的AI模型,辅助农业专家进行精准监测分析。 • 智能农业应用研发:集成至农业管理平台,提供实时植物状态识别功能,为作物健康管理优化种植提供数据支持。 • 学术研究与农业创新:支持植物科学与人工智能交叉领域的研究,助力发表高水平农业AI论文。 • 农业教育与培训:数据集可用于农业院校或培训机构,作为学生学习植物图像分析实例分割技术的重要资源。 三、数据集优势 • 精准标注与多样性:标注采用YOLO格式,确保分割区域定位精确;包含59个类别,覆盖多种植物状态,具有高度多样性。 • 数据量丰富:拥有超过10,000张图像,大规模数据支持模型充分学习泛化。 • 任务适配性强:标注兼容主流深度学习框架(如YOLO、Mask R-CNN等),可直接用于实例分割任务,并可能扩展到目标检测或分类等任务。
室内物体实例分割数据集 一、基础信息 • 数据集名称:室内物体实例分割数据集 • 图片数量: 训练集:4923张图片 验证集:3926张图片 测试集:985张图片 总计:9834张图片 • 训练集:4923张图片 • 验证集:3926张图片 • 测试集:985张图片 • 总计:9834张图片 • 分类类别: 床 椅子 沙发 灭火器 人 盆栽植物 冰箱 桌子 垃圾桶 电视 • 床 • 椅子 • 沙发 • 灭火器 • 人 • 盆栽植物 • 冰箱 • 桌子 • 垃圾桶 • 电视 • 标注格式:YOLO格式,包含实例分割的多边形标注,适用于实例分割任务。 • 数据格式:图片为常见格式如JPEG或PNG。 二、适用场景 • 实例分割模型开发:适用于训练评估实例分割AI模型,用于精确识别分割室内环境中的物体,如家具、电器人物。 • 智能家居与物联网:可集成到智能家居系统中,实现自动物体检测场景理解,提升家居自动化水平。 • 机器人导航与交互:支持机器人在室内环境中的物体识别、避障交互任务,增强机器人智能化应用。 • 学术研究与教育:用于计算机视觉领域实例分割算法的研究与教学,助力AI模型创新与验证。 三、数据集优势 • 类别多样性:涵盖10个常见室内物体类别,包括家具、电器、人物日常物品,提升模型在多样化场景中的泛化能力。 • 精确标注质量:采用YOLO格式的多边形标注,确保实例分割边界的准确性,适用于精细的物体识别任务。 • 数据规模充足:提供近万张标注图片,满足模型训练、验证测试的需求,支持稳健的AI开发。 • 任务适配性强:标注格式兼容主流深度学习框架(如YOLO系列),便于快速集成到实例分割项目中,提高开发效率。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值